Orthogonal Quantum Krylov Diagonalisation

Resumen Técnico: Diagonalización de Krylov Cuántica Ortogonal

Planteamiento del Problema
Los métodos de diagonalización de subespacios cuánticos, particularmente la Diagonalización de Krylov Cuántica (QKD), ofrecen una ruta prometedora para computar los espectros de baja energía de Hamiltonianos de muchos cuerpos cuánticos. Sin embargo, los enfoques de Krylov cuánticos existentes (incluyendo la reciente QKD basada en Chebyshev o CQKD) dependen de bases de Krylov no ortogonales. Esta no ortogonalidad requiere la resolución de un problema de autovalores generalizado que involucra una matriz de solapamiento ($S$). A medida que la dimensión del subespacio aumenta, los vectores de Krylov se vuelven linealmente dependientes, lo que provoca que la matriz de solapamiento se vuelva mal condicionada. Para mitigar la inestabilidad numérica, los métodos existentes requieren procedimientos de umbralización y regularización. Estos pasos introducen costos computacionales y de medición adicionales, degradan las propiedades de convergencia y evitan la reproducción exacta de las características de estabilidad y ortogonalidad que posee el algoritmo de Lanczos clásico. Además, la complejidad de medición de estos métodos suele heredar una dependencia exponencial del tamaño del sistema debido a la "catástrofe de ortogonalidad" (el pequeño solapamiento del estado inicial con el autoestado objetivo).

Metodología
Los autores introducen la Diagonalización de Krylov Cuántica Ortogonal (OQKD), un marco que reformula la recursión de Lanczos clásica al nivel del operador para permitir una implementación cuántica ortogonal.

• Reformulación al Nivel del Operador: En lugar de generar vectores no ortogonales y regularizarlos, OQKD construye vectores de Lanczos $|\psi^\perp_n\rangle$ directamente como transformaciones polinómicas normalizadas del Hamiltoniano reescalado $\tilde{H}$ actuando sobre un estado inicial $|\Phi_0\rangle$:
  $$|\psi^\perp_n\rangle = P_n(\tilde{H})|\Phi_0\rangle$$
  donde $P_n$ satisface la relación de recurrencia de tres términos de Lanczos.
• Determinación Recursiva de Coeficientes: Los coeficientes de normalización ($\tilde{\beta}_{i+1}$) requeridos para la recurrencia se determinan a priori utilizando momentos medibles ($\langle \psi^\perp_i | \tilde{H}^2 | \psi^\perp_i \rangle$) en lugar de una normalización de vectores a posteriori. Esto permite la construcción de los coeficientes polinómicos sin necesidad de almacenar explícitamente vectores intermedios o realizar pruebas de Hadamard para los elementos de solapamiento fuera de la diagonal.
• Implementación Cuántica: Los polinomios de Lanczos se expanden en la base de Chebyshev y se implementan mediante Codificación por Bloques (Block Encoding) y Procesamiento de Señal Cuántica Generalizada (GQSP). Este enfoque asegura que la base generada sea ortonormal por construcción, resultando en un Hamiltoniano proyectado con una estructura tridiagonal y una matriz de solapamiento cercana a la identidad ($S \approx I$).
• Protocolo de Reinicio (ROQKD): Para abordar la disminución exponencial de la probabilidad de éxito asociada con la implementación de polinomios de alto grado mediante GQSP, los autores proponen un protocolo de preparación de estados reiniciado. En lugar de aplicar un único polinomio de alto grado, el algoritmo realiza una secuencia de ciclos de OQKD con un grado máximo fijo y bajo ($n_{max}$). El estado aproximado del estado fundamental obtenido al final de cada ciclo se convierte en un estado cuántico (vía GQSP) y se utiliza como el estado inicial para el siguiente ciclo. Esto acumula las transformaciones polinómicas mientras mantiene una probabilidad de éxito casi constante.

Resultados Clave

• Estabilidad Numérica y Convergencia: Las simulaciones numéricas en el modelo de Heisenberg $J_1-J_2$ demuestran que OQKD reproduce el comportamiento de convergencia del algoritmo de Lanczos clásico hasta la precisión de la máquina. A diferencia de QKD y CQKD, que se desvían del perfil de convergencia ideal una vez que se activa la regularización de la matriz de solapamiento, OQKD mantiene una base bien condicionada durante toda la iteración.
• Complejidad de Medición: El artículo establece analíticamente que OQKD elimina el cuello de botella de la regularización de la matriz de solapamiento. En consecuencia, la complejidad de medición por elemento de matriz proyectado se vuelve independiente del solapamiento del estado inicial ($\gamma_0$). Si bien el costo efectivo aún depende de la probabilidad de éxito de GQSP, esta dependencia se desplaza de una propiedad fundamental del sistema físico (decaimiento exponencial con el tamaño del sistema) a un parámetro dependiente de la implementación.
• Desempeño del Protocolo Reiniciado: El protocolo ROQKD logra una convergencia exponencial de la infidelidad hacia el estado fundamental exacto. Crucialmente, la probabilidad de éxito para preparar estados fundamentales aproximados se mantiene casi constante a través de los ciclos de reinicio, contrastando con el decaimiento exponencial observado en la implementación de CQKD reiniciado o en las implementas de polinomios de alto grado directos.

Significancia y Reivindicaciones
El artículo afirma establecer OQKD como un análogo cuántico ortogonal directo del algoritmo de Lanczos clásico. Su principal significancia radica en:

1. Eliminación de la Regularización: Elimina la necesidad de la regularización de la matriz de solapamiento, preservando así la estabilidad numérica y las propiedades de convergencia inherentes al método de Lanczos clásico.
2. Preparación de Estados Escalable: El protocolo reiniciado (ROQKD) proporciona una estrategia prometedora para preparar estados iniciales de alta fidelidad para la Estimación de Fase Cuántica (QPE) con una probabilidad de éxito casi constante, superando las limitaciones de las transformaciones de un solo paso de alto grado polinómico.
3. Puente entre lo Clásico y lo Cuántico: El trabajo conecta las técnicas de diagonalización de subespacios clásicas con los modernos algoritmos cuánticos basados en codificación por bloques y GQSP, ofreciendo una ruta escalable hacia solucionadores de autovalores cuánticos robustos para problemas de autovalores de gran escala e importancia industrial.

Los autores señalan que la sobrecarga exponencial en la probabilidad de éxito de GQSP para polinomios de alto grado es una limitación de implementación práctica del marco actual de GQSP, más que un fallo fundamental del propio algoritmo OQKD, sugiriendo que esto podría aliviarse con avances futuros en el procesamiento de señales cuánticas.